Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Cobertura Optima UAV Cortado - En.es
Cobertura Optima UAV Cortado - En.es
com
sensores
Artículo
Instituto de Investigación en Electrónica y Telecomunicaciones (ETRI), Daejeon 34129, Corea; youkyh1@etri.re.kr (YH);
suseongkim@etri.re.kr (SK); jihun@etri.re.kr (JC)
* Correspondencia: sunggoo@etri.re.kr
Abstracto: Este estudio propone una arquitectura completa de hardware y software desde la entrada del operador
hasta el comando del motor para la misión de cobertura de área autónoma utilizando múltiples vehículos aéreos no
tripulados. A pesar del rápido crecimiento de los servicios comerciales de drones, existen muchas limitaciones en las
operaciones, como una baja autonomía en la toma de decisiones y la necesidad de que operadores experimentados
intervengan en todo el proceso. Para realizar la misión de cobertura de área de manera más eficiente y autónoma, este
estudio diseña nuevamente un problema de optimización que asigna puntos de ruta creados para cubrir esa área a
vehículos aéreos no tripulados. Con una lista optimizada de puntos de referencia, los vehículos aéreos no tripulados
pueden llenar las áreas dadas con sus huellas en una cantidad mínima de tiempo y no se superponen entre sí durante
la misión. Además, Este estudio realiza tanto varias simulaciones para análisis cuantitativos como un experimento al
aire libre a través de la implementación de hardware real para verificar suficientemente el rendimiento. Las
metodologías desarrolladas en este estudio podrían aplicarse a un sinfín de aplicaciones utilizando vehículos aéreos no
tripulados equipados con sensores específicos de la misión.
Palabras clave: vehículo aéreo no tripulado; planificación de misiones; cobertura de área; asignación de tareas; programación
institucionales.
cobertura de área [2], buscar [3], enrutamiento [4,5], recopilación de datos y transmisión de comunicaciones: la
misión de cobertura de área se aplica a la inspección de edificios y la fumigación de plaguicidas; la misión de
búsqueda se aplica al servicio de rescate y extinción de incendios forestales; la misión de enrutamiento se
aplica al transporte y la entrega de paquetes. La principal diferencia entre la cobertura de área y las misiones
de búsqueda es si el entorno en el que se realiza la misión se conoce previamente o no. La misión de cobertura
Derechos de autor: © 2021 por los autores.
de área primero define un área finita y luego hace que los UAV monitoreen minuciosamente esa área con
Licenciatario MDPI, Basilea, Suiza. Este
sensores equipados. Por otro lado, la misión de búsqueda tiene como objetivo detectar objetivos particulares
artículo es un artículo de acceso abierto
en un entorno desconocido. Por lo tanto, se necesita una estrategia diferente con la misión de cobertura para
distribuido bajo los términos y condiciones de
estimar con precisión la ubicación del objetivo y expandir el área de búsqueda en una cantidad mínima de
la licencia Creative Commons Attribution (CC
by/ solución más simple para la misión de búsqueda. Cuando el método de cobertura de área se aplica a la misión
4.0 /). de búsqueda, los UAV escanean gradualmente toda el área
independientemente del tiempo y eventualmente encontrar el objetivo. Por esa razón, este estudio toma como punto
de partida la misión de cobertura de área. A continuación, revisaremos investigaciones recientes relacionadas con la
misión de cobertura de área.
La mayor parte de la investigación anterior que llevó a cabo la misión de cobertura se ha centrado
en generar un patrón de cobertura para explorar el área determinada con un solo dron. Los patrones
geométricos típicos para explorar el área dada se dividen en el movimiento de ida y vuelta [2], patrón en
espiral [6], y método basado en cuadrícula [7]. Entre varios patrones de cobertura, el movimiento de ida y
vuelta puede considerarse el más eficiente desde el punto de vista energético [1]. La razón es que
cuando el UAV cambia su dirección de vuelo haciendo un giro brusco, necesita reducir la velocidad, rotar
y luego volver a acelerar. Por lo tanto, a medida que aumenta el número de maniobras de giro, el UAV
consume más energía [8].
Por otro lado, solo unos pocos estudios han realizado la misión de cobertura de área utilizando
múltiples vehículos. La mayoría de ellos ha adoptado un procedimiento de dos pasos que consiste en (i)
división de áreas y (ii) asignación de subáreas. Peterson y col. desarrolló un sistema multi-robot de UAV y
UGV para localizar materiales radiactivos cubriendo un área determinada [9]. Barrientos y col. presentó
un sistema multi-UAV para imágenes aéreas aplicado a la agricultura de precisión y realizó extensas
pruebas de campo [10]. En sus obras, después del preprocesamiento de dividir un área determinada en
varias subáreas más pequeñas y asignar las subáreas divididas a vehículos no tripulados, cada vehículo
no tripulado realiza la planificación de la ruta de cobertura para explorar las subáreas asignadas. Sin
embargo, se requiere un esfuerzo considerable para descomponer el área dada en subáreas de manera
razonable y luego asignar efectivamente la subárea a cada UAV, considerando la capacidad de los UAV.
Por el contrario, Avellar et al. propuso un enfoque novedoso que permite que múltiples UAV logren una
cobertura de área cooperativa al aumentar la autonomía de toma de decisiones del vehículo sin dividir el
área por adelantado [2]. Para ser más específicos, un área determinada podría transformarse en una
lista de waypoints aplicando el movimiento de ida y vuelta. Como los vehículos aéreos no tripulados
tienen que visitar la lista de puntos de referencia, la misión de cobertura del área puede eventualmente
modelarse como el Problema de los vendedores ambulantes múltiples (TSP). Aevellar y col. utilizó
Programación lineal de enteros mixtos (MILP) para resolver el TSP. Varios métodos de optimización como
metaheurísticas [11] y métodos híbridos [12] nos permiten calcular las soluciones óptimas del TSP.
También es importante configurar todo el sistema de hardware y software desde la entrada del
operador hasta el comando del motor. Sin embargo, se han dedicado relativamente pocos estudios a la
construcción de todo el marco de ejecución de la misión. Valente y col. propuso tomar imágenes aéreas y
construir un mapa mediante la unión de imágenes para agricultura de precisión [13]. En su sistema, el
área de la misión se muestrea con una cuadrícula de tamaño constante, y luego se genera una ruta para
realizar una cobertura completa con el número mínimo de vueltas sin volver a visitar la cuadrícula. Sin
embargo, su trabajo fue limitado porque solo un UAV participó en la misión, y esa información del área
para realizar la cobertura se proporcionó al UAV con anticipación. Garzón y col. presentó un sistema de
múltiples robots que incluye software, hardware y arquitectura de comunicación para una misión de
búsqueda de señales [14]. Sin embargo, su sistema se aplicó a los vehículos terrestres no tripulados
(UGV), no a los UAV, y por lo tanto se centró en comparar dos enfoques diferentes para las técnicas de
planificación de rutas de cobertura (es decir, el movimiento de ida y vuelta y el patrón en espiral).
Además, pocos estudios han realizado pruebas de campo para verificar el desempeño del sistema de la
misión. Nedjati y col. presentó una nueva cobertura de recorridos múltiples para un sistema de
respuesta posterior al terremoto que recopila imágenes en el lugar del terremoto y crea un mapa para
extraer información útil [15]. Yao y col. propuso inspeccionar edificios urbanos asignando edificios a
vehículos aéreos no tripulados y generando patrones óptimos de cobertura esférica alrededor de los
edificios [dieciséis]. Sin embargo, ambos estudios anteriores presentaron solo los resultados de
simulaciones numéricas sin realizar experimentos utilizando hardware real. Acevedo y col. estudió un
algoritmo de cobertura más práctico en el que se asignan subáreas a robots aéreos heterogéneos,
teniendo en cuenta sus diversas capacidades de detección y movimiento [17]. Mansouri y col. desarrolló
un método de cobertura más sofisticado que considera el movimiento de la cámara y adquirió la imagen
unida mediante la recopilación de secuencias de imágenes durante la misión de cobertura [18]. Sin
embargo, estos estudios previos siguen siendo desafortunados ya que los vuelos en interiores
Sensores 2021, 21, 2482 3 de 21
Las pruebas se han realizado en un espacio limitado porque la mayoría de las aplicaciones prácticas de la
misión de cobertura de área se ejecutan al aire libre. En otras palabras, los experimentos en interiores no
pueden ser una validación suficiente porque no hay viento ni errores de GPS (gracias al sistema de captura de
movimiento), que pueden ser problemas críticos y desafiantes en una implementación real.
El propósito principal de este estudio es proporcionar la configuración completa del sistema de
misión para la misión de cobertura de área utilizando varios UAV y diseñar el problema de optimización
para la asignación de tareas. Más exactamente, la misión de cobertura de área autónoma comienza
cuando el operador ingresa parámetros para definir la misión a través de la Ground Control Station
(GCS). Este estudio diseña un problema de optimización para asignar listas de puntos de ruta óptimos a
UAVs basados en MILP. El problema de optimización tiene en cuenta el movimiento de ida y vuelta y
está destinado a llenar completamente el área dada con la huella de varios UAV. Cuando cada UAV recibe
una lista óptima de waypoints, despega del suelo y visita una serie de waypoints en orden. Durante la
misión, el estado del punto de ruta se supervisa en el algoritmo de gestión de tareas propuesto. Toda la
misión termina con todos los UAV volando a través de este proceso y luego aterrizando. En consecuencia,
en este estudio se consideran los siguientes supuestos. Primero, asumimos que el área cubierta por
múltiples UAV existe en un espacio bidimensional y siempre es convexa. En segundo lugar, el área dada
es lo suficientemente pequeña como para permitir que el UAV complete la misión con una carga
completa y, por lo tanto, no consideramos regresar al depósito para recargar la batería. En tercer lugar,
se supone que todos los UAV que participan en la misión tienen la misma capacidad (es decir, la distancia
máxima de viaje). En cuarto lugar, consideramos el esquema de asignación de tareas centralizado
realizado en GCS, por lo que los resultados de la asignación se transfieren unilateralmente una vez a los
UAV que esperan en tierra. Además, asumimos que el rango de comunicación y la cantidad de datos
requeridos para la comunicación entre el UAV y el GCS son ilimitados. Por último, imaginamos que el
entorno de la misión es estático y limpio sin obstáculos. Significa que no hay problemas significativos con
los UAV que siguen los puntos de ruta asignados, por lo que no se requieren estrategias adicionales para
responder a entornos con obstáculos estáticos o entornos dinámicos.
Las contribuciones de este estudio son triples. Primero, este estudio presenta un marco de ejecución de la
misión que va desde la entrada del operador hasta el comando del motor para realizar la misión de cobertura
de área. En segundo lugar, en comparación con la investigación motivacional [2], este estudio se expande a
múltiples áreas y aligera la complejidad computacional de la optimización. En tercer lugar, este estudio aborda
varias simulaciones y pruebas de vuelo en entornos al aire libre para verificar el rendimiento del sistema
propuesto. A nuestro leal saber y entender, proporcionamos la primera cobertura óptima de múltiples áreas
con múltiples drones verificados a través de experimentos al aire libre.
El resto de este estudio está organizado de la siguiente manera. Sección2 define cada subsistema
que constituye el sistema completo y las interacciones entre subsistemas. Sección3 explica en detalle el
proceso de creación de gráficos para el subsistema de asignación de tareas y proporciona la formulación
MILP, incluidas la función objetivo y las restricciones. En la sección4, el rendimiento del sistema
propuesto se verifica a través de varias simulaciones que realizan misiones de cobertura de área única
con diferentes tipos de polígonos y diferentes números de UAV. Sección5presenta los resultados del
experimento al aire libre en el que dos hexacópteros cubren múltiples áreas designadas por el operador.
Sección6 describe las conclusiones de este estudio y analiza posibles direcciones para futuras
investigaciones.
Computadora de a bordo montada en cada plataforma UAV. Las subsecciones siguientes describen las
operaciones de cada subsistema; sin embargo, la descripción del subsistema de control de vuelo se omite
porque el firmware PX4 [20], que es un software de piloto automático de código abierto, se utiliza como
subsistema de control de vuelo.
Las siguientes cuatro características se agregaron recientemente al QGroundControl original para la misión de cobertura de área óptima utilizando múltiples UAV que se apuntan en este estudio.
Primero, QGround-Control se modifica para poder publicar y suscribirse a mensajes ROS. Para que QGround-Control funcione en el entorno ROS, se selecciona una conexión WebSocket para diseñar la
estructura del cliente. La interfaz de rosbridge [22] se implementa para comunicarse con otros subsistemas. Por lo tanto, las entradas del operador a través de QGroundControl se transfieren a otros
subsistemas como mensajes ROS. Además, los resultados calculados por otros subsistemas se envían como mensajes ROS para que el operador pueda monitorear el progreso de la misión. En segundo lugar,
QGroundControl se amplía para realizar misiones utilizando varios UAV. Para hacer esto, el operador debe ingresar dos entradas adicionales: el número de UAV y el origen de la coordenada inercial. Además, la
posición de cada UAV en la coordenada GNSS se envía al QGroundControl modificado. Después de eso, se definen las coordenadas relativas entre la coordenada inercial y la coordenada fija del cuerpo de cada
UAV, y se realizan las transformaciones de coordenadas. Por esta razón, a pesar de que el operador define las áreas de misión en la coordenada inercial, cada UAV puede transformar los puntos de ruta
asignados a él en su coordenada fijada por el cuerpo. En tercer lugar, incluso si el operador no especifica la dirección del movimiento de ida y vuelta (es decir, el ángulo entre los puntos de ruta), el subsistema
de asignación de tareas propuesto determina la dirección óptima para cubrir el área poligonal. Por lo tanto, aunque el operador ingresa menos parámetros para definir la misión que el QGroundControl
original, se le puede proporcionar al operador una planificación óptima de la misión. Es decir, el QGroundControl modificado en este estudio intenta determinar los puntos de ruta óptimos para múltiples UAV
en lugar de simplemente volar a lo largo de los puntos de ruta ingresados por el operador. incluso si el operador no especifica la dirección del movimiento de ida y vuelta (es decir, el ángulo entre los puntos de
paso), el subsistema de asignación de tareas propuesto determina la dirección óptima para cubrir el área poligonal. Por lo tanto, aunque el operador ingresa menos parámetros para definir la misión que el
QGroundControl original, se le puede proporcionar al operador una planificación óptima de la misión. Es decir, el QGroundControl modificado en este estudio intenta determinar los puntos de ruta óptimos para
múltiples UAV en lugar de simplemente volar a lo largo de los puntos de ruta ingresados por el operador. incluso si el operador no especifica la dirección del movimiento de ida y vuelta (es decir, el ángulo
entre los puntos de paso), el subsistema de asignación de tareas propuesto determina la dirección óptima para cubrir el área poligonal. Por lo tanto, aunque el operador ingresa menos parámetros para definir
la misión que el QGroundControl original, se le puede proporcionar al operador una planificación óptima de la misión. Es decir, el QGroundControl modificado en este estudio intenta determinar los puntos de
ruta óptimos para múltiples UAV en lugar de simplemente volar a lo largo de los puntos de ruta ingresados por el operador. aunque el operador ingresa menos parámetros para definir la misión que el
QGroundControl original, se le puede proporcionar al operador una planificación óptima de la misión. Es decir, el QGroundControl modificado en este estudio intenta determinar los puntos de ruta óptimos para
múltiples UAV en lugar de simplemente volar a lo largo de los puntos de ruta ingresados por el operador. aunque el operador ingresa menos parámetros para definir la misión que el QGroundControl original,
se le puede proporcionar al operador una planificación óptima de la misión. Es decir, el QGroundControl modificado en este estudio intenta determinar los puntos de ruta óptimos para múltiples UAV en lugar
En resumen, las operaciones principales del software GCS son (i) la definición de la
tarea que determina qué puntos de ruta deben visitar los UAV para realizar la misión y
(ii) el monitoreo de la tarea para ver el progreso de la misión. El software GCS interactúa
con el operador y otros subsistemas a 1 Hz de la siguiente manera. Las entradas
ingresadas por el operador son los vértices de las áreas poligonales, la altitud de la
misión, el número de UAV, el espaciado de los waypoints y el origen de la coordenada
inercial. Además, el software GCS necesita la longitud y latitud de cada UAV obtenida del
sensor GPS montado en cada UAV. Como salidas para el operador, el software GCS
muestra la lista de puntos de ruta óptimos determinados por el subsistema de
asignación de tareas y el estado de cada punto de ruta proporcionado por el subsistema
de gestión de tareas en el mapa.
La función principal del subsistema de asignación de tareas es asignar puntos de ruta a cada UAV
para realizar la misión dada por el operador de manera óptima. Las entradas requeridas para el
subsistema de asignación de tareas son los vértices de las áreas poligonales, el número de UAV y la
posición inicial de UAV en la coordenada inercial. Las salidas del subsistema de asignación de tareas son
el conjunto de puntos de ruta asignados a cada UAV y se proporcionan al final de la resolución del
problema de optimización. Como se mencionó en la sección anterior, la reasignación de tareas no se
considera en este estudio. Sin embargo, si se requiere la reasignación de tareas, este subsistema
necesita entradas adicionales del subsistema de gestión de tareas para resolver el problema de
reasignación de tareas. Por ejemplo, el problema de reasignación de tareas requiere información
adicional, como qué UAV no pudo alcanzar el punto de ruta dado y la lista residual de puntos de ruta. El
subsistema de asignación de tareas se discutirá en detalle en la Sección3.
La gestión de tareas identifica el waypoint de destino al que debería dirigirse actualmente un UAV
en la lista de waypoints y comprueba si el UAV alcanza el waypoint de destino o no. La lista de puntos de
ruta óptima se suscribe desde el subsistema de asignación de tareas. Debido a que este estudio
considera una cobertura de área bidimensional, la altitud de los puntos de ruta es igual a la altitud de la
misión definida por el operador. Es necesario evitar colisiones con otros UAV en el proceso de comenzar
desde el depósito y trasladarse al área de la misión, moverse entre diferentes áreas poligonales y
regresar al depósito después de completar la misión. Por lo tanto, en este estudio, se introdujo
recientemente el concepto de altitud de transición, donde a cada UAV se le asigna una altitud de
transición única. Dentro del área poligonal, se garantiza una separación de seguridad lateral debido a la
separación de los waypoints. Fuera del área poligonal, es posible una separación de seguridad
longitudinal gracias a la altitud de transición. En otras palabras, como se muestra en la Figura2,
consideramos puntos de referencia virtuales además de los puntos de referencia para la misión de
cobertura para garantizar una separación segura entre los UAV.
Cuando un UAV ingresa dentro de un cierto radio del punto de referencia objetivo, se considera que el
UAV alcanzó el punto de referencia objetivo. Aunque el problema de la reasignación de tareas está más allá del
alcance de este estudio, se puede imaginar la siguiente estrategia cuando un UAV no alcanza el punto de
referencia objetivo. En primer lugar, el subsistema de gestión de tareas puede volver a intentar la misma tarea
(es decir, visitar el punto de ruta de destino) un cierto número de veces. No obstante, si el nuevo juicio falla, el
subsistema de gestión de tareas decide que la misión restante debe reasignarse y transfiere la decisión con la
información adicional necesaria para resolver el problema de reasignación al subsistema de asignación de
tareas.
Sensores 2021, 21, 2482 6 de 21
En resumen, las entradas del subsistema de gestión de tareas son la lista de puntos de ruta óptima
asignada para cada UAV. Los resultados del subsistema de gestión de tareas son el estado de cada punto de
ruta y la información relacionada con el problema de reasignación de tareas. Tenga en cuenta que el
subsistema de gestión de tareas funciona a 5 Hz.
dónde K denota la matriz de ganancia proporcional. Además, la velocidad máxima predefinidaVmax está
configurado para un vuelo estable. El comando de velocidadVcmd está limitado para garantizar el seguimiento
adecuado de los puntos de ruta sin exceder la velocidad máxima Vmax como sigue.
Cuando los vértices de las áreas poligonales, el número de UAV, la posición inicial de UAV en
la coordenada inercial y el espaciado entre puntos de ruta se proporcionan desde el software GCS,
la primera operación del subsistema de asignación de tareas es construir un gráfico que consta de
nodos y bordes. Como la forma más sencilla de llenar el área bidimensional finita con la huella de
cada UAV, el área que se cubrirá se puede cuadricular con el tamaño de la huella.
Sensores 2021, 21, 2482 7 de 21
de cada UAV. Por lo tanto, el área a cubrir se puede expresar como un gráfico compuesto por nodos que
representan el centro de la huella y los bordes que conectan los nodos. Sin embargo, como se mencionó
anteriormente, este estudio considera el movimiento de ida y vuelta, no el método basado en
cuadrículas. A continuación se describe el procedimiento detallado de creación de un gráfico para cubrir
las áreas dadas con el movimiento de ida y vuelta.
Primero, el nodo consta de (i) la posición de lanzamiento inicial de cada UAV (llamado depósito) y
(ii) los waypoints que debe visitar cada UAV. Los waypoints se pueden generar de la siguiente manera.
Cuando el área poligonal se da como una secuencia de vértices, cada segmento de línea que conecta dos
vértices se puede determinar como los límites del polígono. En otras palabras, al dibujar segmentos de
línea que conectan dos vértices adyacentes en el sentido de las agujas del reloj (o en sentido contrario a
las agujas del reloj), se puede determinar un conjunto de segmentos de línea cuyo número es igual al
número de vértices. Por ejemplo, en el tetrágono que se muestra en la Figura3a, los límites del polígono
están conectados a cuatro segmentos de línea. Se determina el segmento de línea más largo entre los
límites y se considera la dirección de cobertura (perpendicular a la dirección de barrido) [2]. Por ejemplo,
la relación entre el segmento de línea más largo, la dirección de cobertura y la dirección de barrido se
ilustra en la Figura3B. Las líneas virtuales se generan paralelas a la dirección de cobertura. Las
intersecciones entre las líneas virtuales y los límites se pueden considerar como puntos de referencia.
Por ejemplo, se pueden determinar 12 intersecciones colocando las líneas virtuales paralelas al
segmento de línea más largo a intervalos de 1 m en un área poligonal, como se muestra en la Figura3C.
Estas 12 intersecciones se consideran los puntos de referencia que deben visitar los UAV.
(a) Vértices y segmentos de línea (B) Segmento de línea más largo (C) Waypoints
cada UAV, comenzando desde una posición diferente. El último caso es evitar la superposición de las
áreas a cubrir por diferentes UAV. Después de que un UAV hace el movimiento de ida y vuelta a lo largo
de un segmento de línea virtual, puede moverse a un punto de ruta cercano. En este estudio, la
diferencia de numeración entre los puntos de ruta no es más de dos que se definen como los puntos de
ruta cercanos. Por lo tanto, si el nodoI y nodo j no se consideran como los puntos de ruta cercanos, la
distancia entre el nodo I y nodo j se multiplica por una penalización mayor que uno.
Minnesota
∑ ∑ Xkij = 1, ∀j ∈ N0 (3)
k= 1 I= 1
La segunda restricción indica que si un UAV llega a un nodo, entonces el UAV también debe
partir del nodo a otro nodo. Se puede resumir de la siguiente manera.
∑ Xijk - ∑ Xk Ji = 0, ∀j ∈ N, ∀k ∈M
norte norte
(4)
I= 1 I= 1
La tercera restricción es necesaria para evitar subtours en el TSP típico con la variable de holgura
continua tuI. Esta restricción se puede expresar de la siguiente manera.
METRO
Al utilizar la cuarta restricción, todos los UAV están regulados para participar en la misión de enrutamiento de la
siguiente manera.
norte
La última restricción es necesaria para hacer el movimiento de retroceso y cuarto [2] y se puede
formular como sigue.
∑ X(I+1)
METRO METRO
∑ XkI(I+1) +
k
I = 1, ∀I ∈ N′ (7)
k= 1 k= 1
Tenga en cuenta que el orden de numeración es fundamental para la última restricción en la ecuación (7) para
funcionar correctamente. En este estudio, los waypoints (es decir, los nodos del conjuntonorte0) están numerados
como se muestra en la Figura 3C. Las intersecciones creadas por una línea virtual tienen numeraciones adyacentes a
Sensores 2021, 21, 2482 9 de 21
mutuamente. Por lo tanto, desde el centro de las líneas virtuales, las intersecciones en un lado son
impares (o pares) y las intersecciones en el otro lado son pares (o impares).
1 MNN
Minimizar s+ METRO ∑ ∑ ∑ Cij Xijk (8)
k= 1 I= 1 j= 1
NN
∑ ∑ C ij Xkij ≤ s, ∀k ∈M (9)
I= 1 j= 1
La función de objetivo está diseñada para minimizar la distancia máxima de viaje. s (es decir, el primer
término de la ecuación (8)) y la distancia de viaje promedio de todos los UAV (es decir, el segundo
término en la Ecuación (8)). Tenga en cuenta que la constanteCij denota el costo de mover el borde del
nodo Iy al nodo j (es decir, el elemento (I, j) del gráfico). Por último, la ecuación (9) se agrega para definir
la distancia máxima de viaje s.
4. Simulaciones
Esta sección valida el desempeño del marco propuesto para la misión de cobertura de área
de múltiples UAV a través de dos simulaciones. En la primera simulación, el subsistema de
asignación de tareas explicado en la Sección3 se aplica a varias áreas poligonales y diferente
número de UAV. La segunda simulación evalúa todo el sistema descrito en la Sección2 asumiendo
que el operador da un área poligonal arbitraria. Todos los cálculos numéricos se realizaron
utilizando una computadora portátil con una CPU Intel i7 de 2.6 GHz y 16 GB de RAM con el
sistema operativo Ubuntu. Tenga en cuenta que el subsistema de asignación de tareas se escribió
en MATLAB (versión R2020a; The MathWorks Inc., Natick, MA, EE. UU.) Y utilizó el solucionador de
Gurobi [25], que es un paquete de software de optimización estándar para MILP, para resolver el
problema de optimización descrito en la Sección 3.3.
Para describir los argumentos de entrada del solucionador de Gurobi, reproduzcamos el problema de
optimización descrito en la Sección 3 para la configuración de muestra. Todas las restricciones en ecuaciones (3)
- (7) y (9) pueden considerarse ecuaciones matriciales o desigualdades para el vector solución, incluidas tres
variables de decisión. Tenga en cuenta que el vector solución tiene un tamaño de 1103
por 1 (1083 para Xkij, 19 para tuIy 1 para s). En la primera restricción descrita en la ecuación (3), los
La matriz de restricción de igualdad lineal tiene un tamaño de 19 por 1103, donde 19 es el número de
nodos y 1103 es el tamaño del vector solución. En la segunda restricción explicada en la ecuación (4), la
matriz de restricción de igualdad lineal tiene un tamaño de 57 por 1103, donde 57 es el producto del
número de nodos y el número de UAV (es decir, 57 = 19 × 3). La tercera restricción presentada en la
ecuación (5) tiene la matriz de restricción de desigualdad lineal cuyo tamaño es 240 por 1103, donde 240
es igual a 240 = (19 - 3) × (19 - 3) - 16. Las matrices de restricción de igualdad lineal de la cuarta
restricción en la ecuación (6) y la quinta restricción en la ecuación (7) tienen tamaño 3 por 1103 y tamaño
8 por 1103, respectivamente. En la restricción adicional descrita en la Ecuación (9), la matriz de restricción
de desigualdad lineal tiene un tamaño de 3 por 1103. La función objetivo dada en la ecuación (8) se
puede expresar como el producto escalar entre el vector de coeficiente y el vector de solución. Por
último, necesitamos especificar los límites inferior y superior del vector soluciónX y especifique qué valor
es un número entero. De esta forma, cuando se especifican todos los argumentos de entrada al
solucionador de Gurobi, el solucionador de Gurobi proporciona el valor óptimo de las variables de
decisión como salida.
Figura 4c proporciona los resultados de la asignación de asignar 19 nodos a tres UAV para cubrir el
área dada de manera óptima. El tiempo de cálculo fue de solo 0,80 s para resolver el problema de
optimización. Como se muestra en la figura4c, los UAV podrían cubrir el área dada implementando el
movimiento de ida y vuelta sin superponerse entre sí.
Puede verse en la Figura 4c que los puntos de ruta superiores se asignaron a UAV2 inicialmente
ubicados relativamente arriba, y los puntos de ruta inferiores se asignaron a UAV3 inicialmente ubicados
relativamente más bajos. Además, como figura4c muestra, al UAV3 se le asignaron más puntos de ruta
que UAV1 y UAV2 porque la distancia desde la posición de lanzamiento inicial hasta el primer punto de
ruta para UAV1 y UAV2 era mayor que UAV3. Mesa1 resume el número de puntos de referencia y la
secuencia de puntos de referencia asignados para cada UAV, la distancia de viaje de cada UAV y el
recorrido promedio de todos los UAV.
Los resultados de la asignación para todas las configuraciones se describen a continuación. Si hay
un UAV, su posición inicial se establece en (0 m, 0 m), el origen de la coordenada inercial. A medida que
aumenta el número de UAV, los UAV agregados se colocan a 5 m de distancia a lo largo del eje y. Por
ejemplo, si hay cinco UAV, sus posiciones iniciales son (0 m, 0 m), (0 m, 5 m), (0 m,
- 5 m), (0 m, 10 m) y (0 m, -10 m). Cifras5-8 mostrar los resultados de la tarea cuando el
El número de vehículos aéreos no tripulados varía de dos a cinco y se proporciona un área poligonal de
triángulo a hexágono para cubrir. Mesa2 resume la distancia de viaje de cada UAV y la distancia de viaje
promedio y máxima de acuerdo con los resultados de la asignación. Para todas las configuraciones, como
pretendíamos, los puntos de referencia se asignaron razonablemente a cada UAV para que el área poligonal
estuviera cubierta por cada UAV, como si se cortara un pastel. Los resultados de la asignación también pueden
Sensores 2021, 21, 2482 11 de 21
interpretado como los UAV cooperan para minimizar la función objetivo, el objetivo de todos los UAV, en la
Ecuación (8) mientras se satisfacen las restricciones en las ecuaciones (3) - (7) y (9). Tenga en cuenta que, para
describir los resultados en una página limitada, establecemos el número de UAV en un máximo de cinco y de
polígonos en un máximo de un hexágono. Sin embargo, la asignación de tareas propuesta puede operar para
más UAV y polígono más complejo.